Outil de maintenance prédictive propulsée par l’Intelligence Artificielle
Ou comment posséder une connaissance avisée de l’état de ses machines.
Contexte :
Toute organisation industrielle dispose de nombreuses machines. Le bon fonctionnement de ces machines à un impact énorme sur toute la production, et leurs pannes est un élément qui doit être analysé !
De ce fait, la maintenance actuelle est basée sur le franchissement d’un seuil prédéfini, mais son coût reste élevé car réalisée trop tôt, ou trop tard…
Mots clés IA :
- Séries temporelles ;
- Régression.
Problématique client :
Dans le cadre de sa production, le client utilise des pompes de tout type. Des casses aléatoires surviennent plus ou moins régulièrement malgré un suivi régulier, sans pour autant que la cause a pu être identifiée.
Toute casse est de suite impactante au niveau de la production (perte de produit) et les coûts de remplacement / maintenance sont de suite élevés.
Approche neomia :
Pour passer de la maintenance préventive à la maintenance prédictive.
Le principe est le suivant :
Avoir une présentation factuelle, avec les experts métiers, du(des) produit(s) qui manifeste(nt) des signes de dégradation (Visible ou non !).
Récolter le maximum de donnée collecter ayant un rapport avec es problèmes (Capteurs IoT, …).
Utiliser la data science pour :
- Détecter des signaux faibles/précurseurs ;
- Déterminer la probabilité de défaillance du produit.
Avec ces éléments, il sera alors possible d’agir au plus près de la période de défaillance.
Les bénéfices attendus :
- Gains financiers directs (coût de la maintenance, …) et indirects (optimisation d’une production, …) ;
- Production moins impactée par le risque d’arrêts brutaux ;
- Production améliorée ;
- Moins de tensions, stress au niveau du personnel.
Point d'entrée :
Pour développer ce type de solution, le plus important est d’avoir des données qui soient de qualité pour connaître l’état de la machine. Pour cela, les capteurs IoT (intégrées ou externes) seront vos meilleurs alliés !
Le graphique de gauche montre un exemple simple où dans le cadre d’un process industriel, la température à tendance à monter subitement quelques semaines avant la casse la machine. De plus, cette élévation de température se produit à un endroit bien en amont la machine en question.
Une analyse sectorielle (ou verticale) ne permet pas de détecter ses liens de causalité.
Une approche par data science permet cependant de conclure que les deux variables (température et casse) sont corrélées !
Solution :
Développement d’un agent IA complémentaire aux outils de suivi actuels. C’est agent est alimenté par des séries de données variées
Cet agent IA est mis à disposition d’une série d’acteurs :
- Préparateurs de production ;
- Les analyses internes ;
- IT.
Pour en savoir plus
N’hésitez pas à contacter un expert Neomia qui vous expliquera comment la mise en œuvre d’un agent IA de ce type peut se faire au sein de votre organisation.